通过精益
移动计算驱动了产品机会的爆炸式增长——智能手机、可穿戴设备、可听设备、运动相机等等。传感将进一步扩大必须具有环境意识的应用的机会。现在人们普遍认为物体识别和碰撞预警通过视觉，雷达或激光雷达遥感．通过超声波传感器的短程接近风险。通过imu进行运动和姿态检测。基于声学的危险声音探测。在交通、机器人、家庭自动化、智能城市、工厂和仓库管理等领域的应用。这个清单实在是无穷无尽。我们拥有建造一个由智能感应驱动的未来主义、几乎是科幻小说般的世界所需的所有原材料。但如何?
从感知到运动
想象一下一个机器人助手在机场走来走去。帮助旅客办理登机手续，找到登机口，获取航班详细信息。这个机器人必须在机场自由移动，不会撞到四处行走或奔跑的人。或者物体可能是静止的，有时可能是移动的。这个助手应该知道如何在不断变化的环境中聪明地导航。它必须能够理解和响应自然语言的声音命令在一定范围内的可能性。我们下面会讲到。
光学传感器和近距离传感器是自动移动的起点。这些数据被输入到一个名为SLAM的复杂算法中，建立一个被移动空间的点地图，并不断地改进该地图。这种方法正在通过在光线较暗的情况下进行航位推算而日益增强，因为在这种情况下光学方法的效果较差。它从已知位置跟踪运动，从车轮运动、加速度计和其他传感器绘制信息。同时，接近传感器提供输入，以避免撞到一个物体或人。我们已经有多个传感器输入算法生成地图和地图中助手的位置。
基于摄像机的SLAM需要高精度、高强度的线性方程求解，矢量DSP平台非常适合。基于超声波的接近感测必须从降噪开始，在回波和其他杂波中定位最近的目标，然后计算距离(和方向)。这种信号处理非常适合于标量DSP。
从声音到行动
一名乘客看到一名助手，就叫了过来，“嘿，空中机器人!”首先，助手必须识别命令及其来源。一些复杂的音频处理进入这个步骤，特别是在一个嘈杂的环境，如机场航站楼。识别触发指令是你在任何智能扬声器中都能找到的基本人工智能。机器人还可以通过波束形成(一种音频“缩放”)来检测语音指令的方向。这是更多的信号处理，通过在不同的时间在多个麦克风上检测一个已识别的命令来确定方向。
我们的空中机器人滑行到乘客身边，避开沿途的其他障碍，在几英尺远的地方停了下来，问道:“有什么可以帮助你的吗?”它会在屏幕上显示一系列它知道如何回答的问题，然后乘客说，“我想办理登机手续”。我们的机器人首先必须做更多的信号处理来减少音频信号中的噪声，部分通过波束形成，部分通过回声抵消。然后它必须识别该命令。
自然语言处理(NLP)可以在云中处理，但机场网络有很多负载。因此，为了快速响应，必须在本地处理NLP。机器人应快速响应以提供满意的用户体验。它要求乘客直接看着屏幕，拍一张照片，然后要求乘客插入一个图片id，比如护照身份页面。然后，它可以比较这些图像以增加安全性，这需要一个强大的可编程神经网络引擎。
登记的其余步骤是什么?这又回到了传统的嵌入式处理。
把它们放在一起
智能传感设备必须使用支持同时处理多个传感器的平台。它应该为前端信号处理提供强大的标量DSP支持，为基于图像的计算和SLAM提供向量化支持。还有对语音和视觉AI的神经网络支持，同样是一个矢量化的DSP，但是对神经网络进行了特殊的扩展，以及丰富的软件编译器和库，为你提供所有这些领域的基础知识。
一种选择允许以这种方式供电的传感平台是精益的SensPro2．基于该公司在视觉处理、音频、SLAM和AI方面的强大背景，senpro2是一款高度可扩展和增强的第二代高性能传感器枢纽DSP，用于多传感器的多任务感知和AI，包括摄像头、雷达、激光雷达、飞行时间、麦克风和惯性测量单元。
了下:传感器提示
